深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
161	2024-08-07	Deep Learning Model for Tumor Type Prediction using Targeted Clinical Genomic Sequencing Data 2023-Sep-10, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.08.23295131 PMID:37732244	研究论文	本文开发了一种基于深度神经网络的肿瘤类型分类模型GDD-ENS，利用39,787个实体肿瘤的临床靶向癌症基因组数据进行训练	GDD-ENS模型在38种癌症类型中实现了93%的高置信度预测准确率，与基于全基因组测序的方法相媲美，并能指导罕见类型和未知原发癌的诊断	NA	开发一种临床可行的肿瘤类型分类方法，以指导癌症治疗决策	实体肿瘤的类型分类	机器学习	癌症	临床靶向癌症基因组测序	深度神经网络	基因组数据	39,787个实体肿瘤样本
162	2024-08-07	Semantically Redundant Training Data Removal and Deep Model Classification Performance: A Study with Chest X-rays 2023-Sep-18, ArXiv PMID:37986725	研究论文	本研究探讨了深度学习模型在胸部X光片分类任务中，通过去除语义冗余训练数据来提升模型性能的方法	提出了一种基于熵的样本评分方法来识别和去除语义冗余的训练数据，从而提高模型性能	未提及具体的研究局限性	研究如何通过去除语义冗余数据来提升深度学习模型在医学影像分类任务中的性能	胸部X光片数据集	机器学习	NA	深度学习	NA	图像	使用了公开的NIH胸部X光数据集
163	2024-08-07	Optimizing Deep Learning-Based Segmentation of Densely Packed Cells using Cell Surface Markers 2023-Sep-26, Research square DOI:10.21203/rs.3.rs-3307496/v1 PMID:37841876	研究论文	本文评估并优化了基于深度学习的细胞分割模型在免疫荧光图像上的性能，特别是在人类单纯疱疹病毒感染的皮肤组织中的应用	通过选择最佳模型并进一步训练，提高了预测性能，达到了与人类表现相当的水平	最终模型的性能不完美，主要归因于图像集中适度的信噪比	优化基于深度学习的细胞分割模型，以提高在密集组织中的细胞识别和定量	评估和优化18种基于深度学习的细胞分割模型在免疫荧光图像上的性能	计算机视觉	NA	深度学习	CNN	图像	使用了两组公共图像集和一组包含10,000+训练实例的当前图像集
164	2024-08-07	DeepCAC: a deep learning approach on DNA transcription factors classification based on multi-head self-attention and concatenate convolutional neural network 2023-Sep-18, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-023-05469-9 PMID:37723425	研究论文	提出了一种名为DeepCAC的新方法，利用深度卷积神经网络和多头自注意力机制进行DNA转录因子序列分析	采用多头自注意力机制和卷积神经网络相结合的方法，有效捕捉序列中的局部隐藏特征和长距离依赖关系，同时减少了模型参数数量	未提及具体限制	提高DNA转录因子序列分类的准确性，同时减少模型参数数量	DNA转录因子序列	机器学习	NA	深度学习	CNN, 多头自注意力机制	序列数据	未提及具体样本数量
165	2024-08-07	Discovering optimal kinetic pathways for self-assembly using automatic differentiation 2023-Sep-01, bioRxiv : the preprint server for biology DOI:10.1101/2023.08.30.555551 PMID:37693527	研究论文	本文利用自动微分算法优化可逆自组装的物理模型，探索了3-7个亚基复合物的速率常数空间中的多样化解决方案	本文首次将深度学习框架中常用的自动微分算法应用于自组装系统的优化，定义了两种生物启发的协议来防止动力学陷阱，并提出了第三种模拟能量消耗酶的中间体回收协议	NA	理解避免陷阱并有效组装的生物机制，为设计合成组装系统提供最优解决方案	自组装的亚基复合物及其速率常数	生物物理学	NA	自动微分算法	物理模型	速率常数	3-7个亚基复合物
166	2024-08-07	ChampKit: A framework for rapid evaluation of deep neural networks for patch-based histopathology classification 2023-Sep, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2023.107631 PMID:37271050	研究论文	本文介绍了一个名为ChampKit的软件工具，用于快速评估基于补丁的组织病理学分类的深度神经网络模型	ChampKit提供了一个可扩展、完全可复制的评估工具包，支持多种公共数据集，并允许用户通过命令行直接训练和评估模型，无需编写代码	本文未明确提及具体限制	旨在提供一个工具，以系统地评估不同组织病理学分类任务的神经网络模型	深度神经网络模型在组织病理学图像分类中的应用	计算机视觉	NA	深度学习	CNN, ViT	图像	涉及六个数据集
167	2024-08-07	Deep learning integrates histopathology and proteogenomics at a pan-cancer level 2023-09-19, Cell reports. Medicine DOI:10.1016/j.xcrm.2023.101173 PMID:37582371	研究论文	本文介绍了一种创新方法，将病理图像与转录组学和蛋白质组学整合，以识别与癌症关键临床结果相关的预测性组织学特征	本文首次将病理图像与转录组学和蛋白质组学数据整合，用于识别新的预测性组织学特征，并提出了一个分类系统	NA	旨在开发一种整合病理图像、转录组学和蛋白质组学数据的方法，以提高癌症临床结果的预测准确性	2,755张H&E染色的组织病理学切片，来自657名患者，涵盖6种癌症类型	数字病理学	癌症	深度学习	NA	图像	2,755张切片，657名患者
168	2024-08-07	Physics-Guided Deep Generative Model for New Ligand Discovery 2023-Sep, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine DOI:10.1145/3584371.3613067 PMID:38706556	研究论文	本文介绍了一种基于物理引导的深度生成模型，用于发现新的配体，该模型不仅考虑了结合位点，还包含了基于物理的特征，描述了受体和配体之间的结合机制	该模型创新地结合了物理原理和深度学习，生成的配体结构在结合强度上优于传统方法	未来研究方向包括在更大的数据集上训练和测试模型，增加更多基于物理的特征，并从生物物理角度解释深度学习结果	旨在通过结合物理原理和深度学习技术，提高新配体发现的效率和质量	研究对象包括大型蛋白质-配体复合物和小型宿主-客体系统	机器学习	NA	深度生成模型	GAN	结构数据	测试了大型蛋白质-配体复合物和小型宿主-客体系统